Este documento presenta el estudio sobre los gastos provocados por la implementacion de un TPV Virtual.
En primer parte, podemos ver el precio de los gastos por transacciones en funcion del precio del producto que vendemos. Entonces hemos efectuado un estimacion del volumen de negocios con sus gastos.
Entonces, la ultima parte presenta los diferentes gastos de aplicacion segu los bancos.
Por fin, nuestro consejo respeto a la parte econimica.
Para utilizar los TPV Virtual de los bancos y hacer transacion, los bancos aplican gastos por transaciones que son porcentaje de la suma de la transacion ( y con un minimo algunas veces) y hay gastos mensuales fijos para ciertos bancos.
Siguientes graficos presenten las evoluciones de lo gastos en foncion del numero de transaciones mensuales y el precio del producto.
En un segun tiempo, hemos realizado estimaciones de venta segun los dos productos de riegos (TAR) que podrian venderse por tarjeta. Ademas, se anadira los productos de Youse que van a venderse mayoritariamente por tarjeta.
Consideremos que solamente los nuevos clientes van pagar con tarjeta. Asi, segun los meses despues de la aplicaion del pago con tarjeta, el importe total por tarjeta va a aumentar.
Cosideramos: - 15 contratos de Mediadores
Cosideramos: * 15 contratos de Mediadores * 10 contratos de PayementsGlobal
Cosideramos: * 15 contratos de Mediadores * 10 contratos de PayementsGlobal
| wesh | wesh 2 | eodne |
|---|---|---|
| erre | errrr | effrrr |
Sobre los gastos de aplicacion, son muy baja y permite de probar diferentes soluciones antes de elegir lo mejor
library(readr)
library(ggplot2)
library(dplyr)
library(plotly)
Banco1=c("BBVA","Caixa","CecaBank","Santander","CajaRural")
Gastos1=c(100,40,300,56,76)
data3 <- data.frame("Banco"=Banco1,"Gastos"=Gastos1)
p3<-data3 %>%
arrange(as.numeric(Gastos))%>% # trier nos article par valeur
mutate(Banco=factor(Banco, Banco))%>% # trier nos article par valeur
ggplot(aes(x=Banco, y=as.numeric(Gastos))) +
geom_segment(aes(x=Banco, xend=Banco, y=0, yend=as.numeric(Gastos)), color="#03224c")+
geom_point( color="#f4aa42",size=2, alpha=0.6)+
theme_light()+
coord_flip()+
ggtitle("Gastos de aplicacion")+
theme(
axis.title=element_blank(),
title=element_text(family="serif",colour="#03224c",size=15),
axis.text.y=element_text(colour="#03224c",size=15, family="serif")
)+
annotate("text", x = data3$Banco[which(data3$Banco=="BBVA")], y = data3$Gastos[which(data3$Banco=="BBVA")]+10, label =paste(data3$Gastos[which(data3$Banco=="BBVA")] %>% round(2),"€"),color="orange", size=4 , angle=0, fontface="bold", hjust=0 )+
annotate("text", x = data3$Banco[which(data3$Banco=="Caixa")], y = data3$Gastos[which(data3$Banco=="Caixa")]+10, label =paste(data3$Gastos[which(data3$Banco=="Caixa")] %>% round(2),"€"),color="orange", size=4 , angle=0, fontface="bold", hjust=0 )+
annotate("text", x = data3$Banco[which(data3$Banco=="CecaBank")], y = data3$Gastos[which(data3$Banco=="CecaBank")]+10, label =paste(data3$Gastos[which(data3$Banco=="CecaBank")] %>% round(2),"€"),color="orange", size=4 , angle=0, fontface="bold", hjust=0 )+
annotate("text", x = data3$Banco[which(data3$Banco=="Santander")], y = data3$Gastos[which(data3$Banco=="Santander")]+10, label =paste(data3$Gastos[which(data3$Banco=="Santander")] %>% round(2),"€"),color="orange", size=4 , angle=0, fontface="bold", hjust=0 )+
annotate("text", x = data3$Banco[which(data3$Banco=="CajaRural")], y = data3$Gastos[which(data3$Banco=="CajaRural")]+10, label =paste(data3$Gastos[which(data3$Banco=="CajaRural")] %>% round(2),"€"),color="orange", size=4 , angle=0, fontface="bold", hjust=0 )
ggplotly(p3)Si tomamos un estimacion para 1 ano despues de la aplicacion, aqui la comparacion de los diferentes precios.